Data Science, Big Data e Data Analytics.

Gli  ultimi dieci anni hanno segnato un cambiamento radicale nella storia dell’essere umano in termini di dati condivisi e generati, tant’è che oggi possiamo dire di vivere in una  “Società dell’informazione”. Il termine, infatti,  è stata coniato per definire una società in cui la creazione, la distribuzione e la manipolazione delle informazioni diventa l’attività economica e culturale più significativa; in questo contesto non sorprende il fatto che  i dati digitali  crescano rapidamente, raddoppiando ogni due anni, ma ben diverso e complesso diventa la comprensione degli stessi; per questo motivo sono nate nuove discipline che includono il Data Science, Big Data e Data Analytics.

Data Science

Per Data Science si intende una branca del sapere che si fonda su conoscenze relative all’integrazione dei dati, allo sviluppo di algoritmi e alle capacità tecnologiche. Ha come obiettivo la risoluzione analitica di problemi complessi, utilizzando un approccio scientifico multidisciplinare (statistica, matematica, informatica, etc.), impiegando tecniche di problem solving, valutando con nuove differenti metodologie le informazioni, e utilizzando i dati in modo creativo per generare valore.

Big Data

Per Big Data si intende la raccolta di quantità di dati estese in termini di volume, velocità e varietà, che richiedono forme innovative ed economiche di elaborazione che consentono di ottenere analisi approfondite sui dati, di prendere decisioni, e di automatizzare processi. Di fondamentale importanza sono inoltre il valore e la veridicità dei dati, ossia il valore reale delle informazioni e l’affidabilità delle informazioni su cui l’analisi si basa I principali vantaggi dell’impiego delle tecnologie e metodologie in ambito Big Data, sono una maggiore potenza statistica, in funzione del volume di dati analizzato, e l’ottimizzazione dell’efficacia dell’analisi, in funzione della complessità del dato analizzato.

Data Analytics

Per Data Analysis si intende una branca del sapere che ha come obiettivo di esaminare i dati forma “grezza” con lo scopo di trarre conclusioni. L’analisi dei dati comporta l’applicazione di un processo algoritmico o meccanico per ricavare intuizioni. È utilizzata in diversi contesti per consentire alle organizzazioni e alle aziende di migliorare il processo decisionale e verificare e confutare strategie, teorie o modelli esistenti. La Data Analytics sta nell’inferenza, che è il processo per trarre conclusioni che si basano unicamente su ciò che il ricercatore già conosce.

Big Data Analysis

Sebbene focalizzati ad attività ed obiettivi apparentemente distinti, l’applicazione dell’approccio metodologico basato sulla Big Data Analysis ad un contesto reale e dunque la definizione di processi di analisi articolati dall’identificazione dei domini di informazione, allo studio dei dati “grezzi”, alla definizione dei modelli, all’implementazione degli algoritmi di elaborazione, all’ottenimento dei risultati a valore, richiedono l’impiego ad ampio spettro delle conoscenze e degli strumenti e delle competenze proprie di tutti e tre i settori descritti.

Intelligenza Artificiale e Machine Learning

Una componente sempre più rilevante delle funzionalità di elaborazione ed analisi è costituita dall’impiego di algoritmi di intelligenza artificiale, che consentono un approccio evolutivo autonomo in termini di apprendimento con un conseguente progressivo miglioramento dell’efficienza e di efficacia dell’analisi. Inoltre, sempre più frequente è l’impiego dell’intelligenza artificiale in simbiosi con strumenti per la rilevazione dei dati, ossia dispositivi di acquisizione e sensori, che mira a riprodurre il legame esistente fra il cervello umano e i diversi organi sensoriali.

Machine Learning

Il machine learning rappresenta una delle tante modalità di applicazione dell’intelligenza artificiale, e consiste nella capacità di un sistema (la macchina) di auto apprendere (learning) senza essere esplicitamente programmata. L’auto apprendimento dei sistemi basati su machine learning attraverso l’addestramento richiede la disponibilità di enormi quantità di dati, da cui la sinergia con il modo del Big Data, ed efficaci algoritmi in grado di adattarsi e migliorarsi in funzione dei risultati di elaborazione ottenuti.

Adottando algoritmi basati su reti neurali, ossia modellati sulla base del comportamento del cervello umano, e modelli matematici statistici e di ricerca operativa, un sistema è in grado di identificare nuove relazioni fra i dati e far emergere nuove informazioni precedentemente “nascoste”, migliorando il risultato dell’analisi.

I benefici derivanti dall’adozione di sistemi basati su machine learning sono dunque:

• auto apprendimento
• capacità di identificare ed estrarre nuove informazioni da dati complessi;
• capacità di identificare delle tendenze (trend) e schemi di dati ad elevata complessità, la cui identificazione sarebbe pressoché impossibile per un essere umano,
• rapidità di elaborazione.